Diagnosing Allergic Contact Dermatitis Using Deep Learning: Single-Arm, Pragmatic Clinical Trial with an Observer Performance Study to Compare Artificial Intelligence Performance with Human Reader Performance
Notice bibliographique
Résumé
Abstract: Background: Allergic contact dermatitis is a common, pruritic, debilitating skin disease, affecting at least 20% of the population. Objective: To prospectively validate a computer vision algorithm across all Fitzpatrick skin types. Methods: Each participant was exposed to 10 allergens. The reference criterion was obtained 5 days after initial patch placement by a board-certified dermatologist. The algorithm processed photographs of the test site obtained on Day 5. Human performance in reading the photographs was also evaluated. Results: A total of 206 evaluable participants [mean age 39 years, 66% (136/206) female, and 47% with Fitzpatrick skin types IV–VI] completed testing. Forty-two percent (87/206) of participants experienced 1 or more allergic reaction resulting in a total of 132 allergic reactions. The model provided high discrimination (AUROC 0.86, 95% CI: 0.82–0.90) and specificity (93%, 95% CI: 92%–94%) but with lower sensitivity (58%, 95% CI: 49%–67%). Human performance interpreting the photographs ranged from providing similar performance to the algorithm to providing superior performance when combined across readers. There were no serious adverse events. Conclusions: The combination of a smartphone capture of patch testing sites with deep learning yielded high discrimination across a diverse sample.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».